See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/328812382

Datos de Panel Guía para el uso de Eviews

Article · November 2018

CITATIONS READS
10 12,141

2 authors, including:

Alfredo Baronio
Universidad Nacional de Río Cuarto y Universidad Siglo 21
37 PUBLICATIONS 27 CITATIONS

SEE PROFILE

All content following this page was uploaded by Alfredo Baronio on 08 November 2018.

The user has requested enhancement of the downloaded file.

 Datos de
Panel
Guía para el uso de Eviews

Alfredo Baronio – Ana Vianco

Departamento de Matemática y Estadística

Facultad de Ciencias Económicas
Universidad Nacional de Río Cuarto
Noviembre de 2014

1
Contenido
INTRODUCCIÓN.................................................................................................................................. 3

LA TÉCNICA DE DATOS DE PANEL ........................................................................................................ 5

ESPECIFICACIÓN GENERAL DE UN MODELO DE DATOS DE PANEL. ........................................................................... 6
A) COMPONENTES DEL ERROR.................................................................................................................. 7
B) VENTAJAS Y DESVENTAJAS DE LA TÉCNICA DE DATOS DE PANEL ................................................................... 8
ALTERNATIVAS DE ESPECIFICACIÓN DE DATOS DE PANEL A PARTIR DEL MODELO GENERAL. ............... 9

MODELO DE EFECTOS FIJOS ........................................................................................................................ 11

MODELO DE EFECTOS ALEATORIOS............................................................................................................... 11
ELECCIÓN DEL MÉTODO: ¿EFECTOS FIJOS O EFECTOS ALEATORIOS? ...................................................................... 12
APLICACIÓN ......................................................................................................................................13
UNA FUNCIÓN DE PRODUCCIÓN PARA PAÍSES DEL MERCOSUR CON SOFTWARE E‐VIEWS 6.0 ............. 13
SOLUCIÓN....................................................................................................................................... 13
BIBLIOGRAFÍA ...................................................................................................................................24

2
Introducción
En el análisis de la información (económica, social, empresarial, comercial, etc.)
pueden existir diferentes dimensiones sobre las cuales interesa obtener conclusiones
derivadas de la estimación de modelos que traten de extraer relaciones de causalidad
o de comportamiento entre diferentes tipos de variables, a partir de los datos
disponibles.
Una de estas dimensiones la constituye el análisis de series de tiempo, la cual
incorpora información de variables y/o unidades individuales de estudio durante un
período determinado de tiempo (dimensión temporal). En este caso, cada período de
tiempo constituye el elemento poblacional y/o muestral. Ejemplo de este tipo de datos
lo constituyen las series del PIB y de tasas de interés de un país o el número de
llamadas telefónicas de una familia a lo largo de un período determinado de tiempo.

Especificación de la relación:
⋯ ; con 1, … ,

Tabla de datos:

. ⋯

Supuestos a verificar:
Sobre la perturbación aleatoria
• Media nula
• Homocedasticidad
• No autocorrelación
• Normalidad

3
Sobre la parte sistemática de la relación
• Linealidad
• No multicolinealidad
• Regresores no estocásticos

Existe otra dimensión que no incorpora el aspecto temporal sino que más bien
representa el análisis de la información para las unidades individuales de estudio, en
un momento determinado del tiempo (dimensión estructural). En este tipo de análisis,
el cual se denomina de corte transversal, el elemento o unidad muestral no lo
constituye el tiempo sino las unidades de análisis. Ejemplos de este tipo de análisis
pueden ser la cantidad demandada de alimentos por una muestra de familias durante
un período de tiempo, o la cantidad producida de televisores por una serie de
empresas en el mismo lapso. En ambos casos los elementos muestrales son la familia y
la empresa.

Especificación de la relación:
⋯ ; con 1, … ,

Tabla de datos:

. ⋯

Supuestos a verificar:
Sobre la perturbación aleatoria
• Media nula
• Homocedasticidad
• Normalidad

4
Sobre la parte sistemática de la relación
• Linealidad
• No multicolinealidad
• Regresores no estocáticos

Ambos tipos de análisis de la información permiten extraer conclusiones relevantes de

acuerdo con los intereses del investigador. Un sencillo ejemplo puede ilustrar mejor la
diferencia entre cada uno de los enfoques: supóngase que se quiere modelar la
Producción del Sector Agrícola de los países que integran el Mercosur.
Un análisis de regresión basado en datos de corte transversal para un año en
particular, por ejemplo año 2009, puede incluir una serie de variables explicativas tales
como el capital utilizado, la tierra afectada a la explotación agrícola y la mano de obra
ocupada en dicha explotación; todas medidas en unidades físicas.
Con el tipo de información incluida en este modelo de corte transversal se podría estar
tomando en cuenta cualquier tipo de economía de escala de la que los países podrían
beneficiarse. Sin embargo, este modelo no puede identificar o tomar en cuenta como
variable explicativa de la producción, cualquier incremento en el rendimiento que
pueda ocurrir con el transcurso del tiempo como consecuencia de mejoras
tecnológicas que hayan sido incorporadas en la industria.

La técnica de datos de panel

A diferencia de lo mencionado en el aparte anterior, un modelo econométrico de
datos de panel es uno que incluye una muestra de agentes económicos o de interés
(individuos, empresas, bancos, ciudades, países, etc.) para un período determinado de
tiempo, esto es, combina ambos tipos de datos (dimensión temporal y estructural).
A manera de ejemplo, se puede disponer de datos anuales de producción agrícola de
Argentina, Brasil, Paraguay y Uruguay durante un período de 20 años (1990 – 2009), lo
cual es una base de datos mixta de serie temporal y corte transversal constituyéndose
en un panel de datos. En este ejemplo, los elementos muestrales son el tiempo y los
países del Mercosur.
El principal objetivo de aplicar y estudiar los datos en panel, es capturar la
heterogeneidad no observable, ya sea entre agentes económicos o de estudio así
como también en el tiempo, dado que esta heterogeneidad no se puede detectar ni
con estudios de series temporales ni tampoco con los de corte transversal.
Esta técnica permite realizar un análisis más dinámico al incorporar la dimensión
temporal de los datos, lo que enriquece el estudio, particularmente en períodos de

5
grandes cambios. Esta modalidad de analizar la información en un modelo de panel es
muy usual en estudios de naturaleza microeconómica.
La aplicación de esta metodología permite analizar dos aspectos de suma importancia
cuando se trabaja con este tipo de información y que forman parte de la
heterogeneidad no observable: i) los efectos individuales específicos y ii) los efectos
temporales.
En lo que se refiere a los efectos individuales específicos, se dice que estos son
aquellos que afectan de manera desigual a cada uno de los agentes de estudio
contenidos en la muestra (individuos, empresas, países) los cuales son invariables en el
tiempo y que afectan de manera directa las decisiones que tomen dichas unidades.
Usualmente se identifica este tipo de efectos con cuestiones de capacidad empresarial,
eficiencia operativa, capitalización de la experiencia, acceso a la tecnología, etc.
Los efectos temporales son aquellos que afectan por igual a todas las unidades
individuales del estudio. Este tipo de efectos pueden asociarse, por ejemplo, a los
shocks macroeconómicos que pueden afectar por igual a todas las empresas o
unidades de estudio.

Especificación general de un modelo de datos de panel.

La especificación general de un modelo de regresión con datos de panel es la

siguiente:

⋯ ; con 1, … , 1, … , 1

Donde se refiere al individuo o a la unidad de estudio (corte transversal), a la

dimensión en el tiempo,
es un vector de interceptos que puede contener entre 1 y parámetros,
es un vector de parámetros y
es la i‐ésima observación al momento para las variables explicativas
, ,…, .
En este caso, la muestra total de las observaciones en el modelo viene dado por .

A partir de este modelo general, y con base en ciertos supuestos y restricciones acerca
del valor de algunos de los parámetros, se pueden derivar algunas otras variantes de
modelos de datos de panel, las cuales se describirán con más detalle en una sección
posterior.

6
Tabla de datos:

í ⋯

1
2
⋮

1
2
⋮

1
2
⋮

1
2
⋮

a) Componentes del error

Es usual interpretar los modelos de datos de panel a través de sus componentes de

errores. El término de error incluido en la ecuación 1 , puede descomponerse de
la siguiente manera:

7
 2

representa los efectos no observables que difieren entre las unidades de estudio
pero no en el tiempo, que generalmente se los asocia a la tecnología incorporada.
se le identifica con efectos no cuantificables que varían en el tiempo pero no entre
las unidades de estudio.
se refiere al término de error puramente aleatorio.
La mayoría de las aplicaciones con datos de panel utilizan el modelo de componente
de error conocido como “one way” para el cual 0. Este tipo de análisis supone
que no existen efectos no cuantificables que varíen en el tiempo pero no entre las
unidades individuales de estudio. Existe además el modelo “two‐way” en el cual el
componente de error 0 , a través del cual se pretende capturar efectos
temporales específicos (choques) que no están incluidos en la regresión.
Las diferentes variantes para el modelo “one way” de componentes de errores surgen
de los distintos supuestos que se hacen acerca del término . Pueden presentarse tres
posibilidades:
 El caso más sencillo es el que considera al 0, o sea, no existe heterogeneidad
no observable entre los individuos o firmas. Dado lo anterior, los satisfacen todos
los supuestos del modelo lineal general, por lo cual el método de estimación de
mínimos cuadrados clásicos produce los mejores estimadores lineales e insesgados.
 La segunda posibilidad consiste en suponer a un efecto fijo y distinto para cada
unidad de corte transversal. En este caso, la heterogeneidad no observable se
incorpora a la constante del modelo.
 La tercera alternativa es tratar a como una variable aleatoria no observable que
varía entre individuos pero no en el tiempo.

b) Ventajas y Desventajas de la Técnica de Datos de Panel

La técnica de datos de panel presenta una serie de ventajas y desventajas en

comparación con los modelos de series de tiempo y de corte transversal. Las más
relevantes son las siguientes:
Ventajas:
 La técnica permite al investigador económico disponer de un mayor número de
observaciones incrementando los grados de libertad, reduciendo la
colinealidad entre las variables explicativas y, en última instancia, mejorando la
eficiencia de las estimaciones econométricas.
 Tal y como se mencionó anteriormente, la técnica permite capturar la
heterogeneidad no observable ya sea entre unidades individuales de estudio como en
el tiempo. Con base en lo anterior, la técnica permite aplicar una serie de pruebas de
hipótesis para confirmar o rechazar dicha heterogeneidad y cómo capturarla.

8
 Los datos en panel suponen e incorporan, en el análisis, el hecho de que los
individuos, firmas, bancos o países son heterogéneos. Los análisis de series de tiempo
y de corte transversal no tratan de controlar esta heterogeneidad corriendo el riesgo
de obtener resultados sesgados.
 Permite estudiar de una mejor manera la dinámica de los procesos de ajuste. Esto
es fundamentalmente cierto en estudios sobre el grado de duración y permanencia de
ciertos niveles de condición económica (desempleo, pobreza, riqueza).
 Permite elaborar y probar modelos relativamente complejos de comportamiento
en comparación con los análisis de series de tiempo y de corte transversal. Un ejemplo
claro de este tipo de modelos, son los que se refieren a los que tratan de medir niveles
de eficiencia técnica por parte de unidades económicas individuales (empresas,
bancos, etc.).

Desventajas:
En términos generales, las desventajas asociadas a la técnica de datos de panel se
relacionan con los procesos para la obtención y el procesamiento de la información
estadística sobre las unidades individuales de estudio, cuando esta se obtiene por
medio de encuestas, entrevistas o utilizando algún otro medio de relevamiento de los
datos. Ejemplos de este tipo de limitaciones son: cobertura de la población de interés,
porcentajes de respuesta, preguntas confusas, distorsión deliberada de las respuestas,
etc.

Alternativas de especificación de datos de panel a partir del modelo

general.

La primera especificación (A) se refiere al caso en que no existe heterogeneidad no

observable en el sistema de datos de panel y por tanto se emplea el método de
Mínimos Cuadrados Ordinarios con la ventaja de ganar grados de libertad.
Ahora bien, en los casos en que se rechaza la hipótesis de homogeneidad en un
sistema de datos de panel, es decir que existe heterogeneidad no observable ya sea a
través del tiempo, entre unidades de estudio (individuos) o en ambos sentidos, debe
buscarse una especificación que la capture en forma apropiada, con el fin de evitar el
problema de sesgo sobre los estimadores de los parámetros de las variables
explicativas, que se cometería si se emplea la especificación.
Existen dos procedimientos adicionales para estimar el modelo en un sistema de datos
de panel: uno de ellos implica el reconocimiento de que las variables omitidas pueden
generar cambios en los interceptos ya sea a través del tiempo o entre unidades de
corte transversal, en este caso el modelo de efectos fijos trata de aproximar estos

9
cambios con variables dummy; el otro modelo es el de efectos aleatorios, que trata de
capturar estas diferencias a través del componente aleatorio del modelo.
Como ya se mencionó, la técnica de datos de panel permite contemplar la existencia
de efectos individuales específicos a cada unidad de corte transversal, invariables en el
tiempo que afectan la manera en que cada unidad de corte transversal toma sus
decisiones.
Una forma simple, y de hecho la más utilizada, de considerar esta heterogeneidad es
empleando los modelos de intercepto variable. Así, el modelo lineal es el mismo para
todas las unidades o individuos bajo estudio, pero la ordenada al origen es específica a
cada una de ellas. A partir del modelo general esta situación se representa mediante la
siguiente ecuación:

⋯ ; con 1, … , 1, … , 3

El supuesto básico de estos modelos es que dadas las variables explicativas

observadas, los efectos de todas las variables omitidas pueden representarse de tres
formas posibles:
a. Una variable por cada individuo, no variable en el tiempo: este es el caso de
variables que son las mismas para cada unidad de corte transversal a través del
tiempo.
b. Una variable por periodo pero no variables entre individuos: son la misma variable
para todos los individuos en un momento del tiempo pero varían a lo largo del periodo
de estudio.
c. Una variable que cambia en el tiempo y por individuo: se trata de variables que
cambian entre individuos en un momento del tiempo, y que además cambian a lo largo
del tiempo.

Estos modelos de intercepto variable asumen que los efectos de las variables omitidas,
ya sean específicas a cada individuo y/o que cambian en el tiempo, no son importantes
en forma individual, pero que si son importantes si se consideran en conjunto.
Por otro lado, dado que el efecto de las variables omitidas puede mantenerse
constante en el tiempo para cada individuo, o ser el mismo para todos los individuos
en un momento en el tiempo, o una combinación de ambos, se pueden capturar en el
término constante de un modelo de regresión como un promedio que toma en cuenta
explícitamente la heterogeneidad entre individuos y/o en el tiempo contenida en los
datos (este es el procedimiento que se emplea por ejemplo al estimar una función
Cobb Douglas).
Seguidamente, se analizarán los principales modelos que se estudian a partir de la
especificación general y de acuerdo con la forma de incorporar la heterogeneidad no
observada.

10
Modelo de efectos fijos
Como se indicó brevemente, una posibilidad es explicar los datos con el modelo de
efectos fijos el cual considera que existe un término constante diferente para cada
individuo y supone que los efectos individuales son independientes entre sí.
Con este modelo se considera que las variables explicativas afectan por igual a las
unidades de corte transversal y que éstas se diferencian por características propias de
cada una de ellas, medidas por medio del intercepto. Es por ello que los interceptos
se asocian con variables dummy con coeficientes específicos para cada unidad, los
cuales se deben estimar. Para la i‐ésima unidad de corte transversal, la relación es la
siguiente:

⋯ ; con 1, … , 4

Donde el subíndice representa un vector columna de unos. Debe hacerse notar que
en este modelo se presenta una pérdida importante de grados de libertad.

Modelo de efectos aleatorios

A diferencia del modelo de efectos fijos, el modelo de efectos aleatorios considera que
los efectos individuales no son independientes entre sí, sino que están distribuidos
aleatoriamente alrededor de un valor dado. Una práctica común en el análisis de
regresión es asumir que el gran número de factores que afecta el valor de las variable
dependiente pero que no han sido incluidas explícitamente como variables
independientes del modelo, pueden resumirse apropiadamente en la perturbación
aleatoria.
Así, con este modelo se considera que tanto el impacto de las variables explicativas
como las características propias de cada unidad de corte transversal son diferentes. El
modelo se expresa algebraicamente de la siguiente forma:

⋯ ; con 1, … ,
1, … , 5

Donde: viene a representar la perturbación aleatoria que permitiría distinguir el

efecto de cada individuo en el panel. Para efectos de su estimación se agrupan los
componentes estocásticos, y se obtiene la siguiente relación:

⋯ ; con 1, … , 1, … , 6

11
Donde se convierte en el nuevo término de la perturbación, no
es homocedástico, donde , , corresponden al error asociado con las series de
tiempo ( ); a la perturbación de corte transversal ( ) y el efecto aleatorio combinado
de ambas ( ).

El método de Mínimos Cuadrados Ordinarios (MCO) no es aplicable dado que no se

cumplen los supuestos que permiten que el estimador sea consistente. Por lo que es
preferible en este caso utilizar el método de Mínimos cuadrados Generalizados (MCG)
cuyas estimaciones son superiores al de MCO en caso de no cumplirse los supuestos
tradicionales y son similares en caso contrario.

Elección del método: ¿efectos fijos o efectos aleatorios?

La decisión acerca de la estructura apropiada para el análisis, es decir, efectos fijos
versus efectos aleatorios depende en parte de los siguientes aspectos:
a) Los objetivos del estudio

Si se desea hacer inferencias con respecto a la población, es decir que se trabaja con
una muestra aleatoria, lo mejor es utilizar una especificación del tipo aleatoria. En caso
de que el interés sea limitado a una muestra que se ha seleccionado a conveniencia o
bien que se está trabajando con la población, la estimación de efectos fijos será la
correcta.
Adicionalmente, si el interés del estudio particular está puesto en los coeficientes de
las pendientes de los parámetros, y no tanto en las diferencias individuales, se debería
elegir un método que relegue estas diferencias y tratar la heterogeneidad no
observable como aleatoria.
El modelo de efectos fijos se ve como un caso en que el investigador hace inferencia
condicionada a los efectos que ve en la muestra. El de efectos aleatorios se ve como
uno en el cual el investigador hace inferencia condicional o marginal respecto a una
población.
Se deja al investigador que decida si hace inferencia con respecto a las características
de una población o solo respecto a los efectos que están en la muestra.
b) El contexto de los datos, es decir, cómo fueron obtenidos y el entorno de
donde provienen

Con el método de efectos fijos la heterogeneidad no observable se incorpora en la

ordenada al origen del modelo y con la de efectos aleatorios, como ya se mencionó, se
incorporan en el término de error, por lo cual lo que se modifica es la varianza del
modelo.
Emplear un modelo de efectos fijos o aleatorios genera diferencias en las estimaciones
de los parámetros en los casos en que se cuenta con pequeño y grande. En estos

12
casos debe hacerse el uso más eficiente de la información para estimar esa parte de la
relación de comportamiento contenida en las variables que difieren sustancialmente
de un individuo a otro.

c) Número de datos disponibles

El método de efectos fijos presenta el problema de que el uso de variables “Dummies”

no identifica directamente qué causa que la regresión lineal cambie en el tiempo y en
los individuos. Además, esto implica la pérdida de grados de libertad.
Asimismo, deberán tomarse consideraciones con respecto a la estructura de los datos
con que se cuente, dado que si la es grande pero si se tiene un pequeño, podría ser
que el número de parámetros de efectos fijos sea muy grande en relación con el
número de datos disponibles, con parámetros poco confiables y una estimación
ineficiente.
Algunas investigaciones han demostrado que el emplear modelos de efectos fijos
produce resultados significativamente diferentes al de efectos aleatorios cuando se
estima una ecuación usando una muestra de muchas unidades de corte transversal
con pocos periodos de tiempo (629 individuos para 6 periodos, por ejemplo).

APLICACIÓN
UNA FUNCIÓN DE PRODUCCIÓN PARA PAÍSES DEL MERCOSUR CON
SOFTWARE E‐VIEWS 6.0
La siguiente tabla de datos contiene la producción en toneladas de productos agrícolas
(AGRIPRO), el capital asignado a la producción en unidades físicas (AGRICAP), el personal
ocupado en número de personas (AGRITRAB) y la tierra utilizada para la producción en has
sembradas (AGRITIERRA), para 4 países del Mercosur durante 20 años (1990 – 2009).
Con esta información se trata de explicar la producción en función de los factores capital,
trabajo y tierra (todas las variables en logaritmos) a partir del panel de datos de los cuatro
países (1. Argentina, 2. Brasil, 3 Paraguay, 4. Uruguay). A través de especificar distintos
modelos se trata de encontrar el ajuste más adecuado para este conjunto de países en el
periodo de tiempo considerado.

SOLUCIÓN
Se especifica el modelo de datos de panel siguiente:

; 1, … ,4 1990, … ,2009

13
Años País AGRIPRO AGRICAP AGRITIERRA AGRITRAB

1990 Argentina 27658895 52309 12736482 708232

1991 Argentina 30917778 54810 13376579 716429
1992 Argentina 33491430 50275 12483142 724725
1993 Argentina 33025328 50809 12488627 733121
1994 Argentina 33250356 51802 13178787 730769
1995 Argentina 37132403 53412 14184974 750074
1996 Argentina 34962758 54634 14640979 760103
1997 Argentina 44958835 59542 18049801 769935
1998 Argentina 55194648 58103 16724013 774007
1999 Argentina 48563335 57659 16378414 758242
2000 Argentina 53908107 60006 17133093 747917
2001 Argentina 59845128 61101 18361127 744909
2002 Argentina 61209293 55269 18764715 730523
2003 Argentina 63299207 57150 18379301 738099
2004 Argentina 62655691 57637 19143054 762963
2005 Argentina 76315977 58002 19582820 771822
2006 Argentina 69510334 59796 18675902 776884
2007 Argentina 85739810 62479 19769185 781272
2008 Argentina 86678915 64384 20559992 799940
2009 Argentina 54523032 69713 19418653 802485
1990 Brasil 56687998 157482 33888100 8442986
1991 Brasil 56224570 152278 31983825 9731144
1992 Brasil 67448010 150884 32940272 11019302
1993 Brasil 67709031 143472 30896774 10860439
1994 Brasil 75463078 150500 32786890 10840479
1995 Brasil 80272166 148560 32565353 10820519
1996 Brasil 70920728 139731 29930807 9925481
1997 Brasil 76610485 133161 29940046 9990009
1998 Brasil 74844347 127810 29293964 9747760
1999 Brasil 81860371 129323 30341768 10568391
2000 Brasil 82385097 129356 31208411 9333882
2001 Brasil 98844948 131816 31614909 9255361
2002 Brasil 96170204 138796 33314913 9689905
2003 Brasil 121319749 145864 36087121 10144851
2004 Brasil 117539782 154170 40182506 10558993
2005 Brasil 110698428 151081 41236779 10606607
2006 Brasil 115347538 147117 38660836 10279247
2007 Brasil 131681848 150663 37526462 10481616
2008 Brasil 144018276 156864 38523443 10455823
2009 Brasil 132668986 160798 38569000 10405562
1990 Paraguay 7511371 4952 2082 199448
1991 Paraguay 8948556 5085 1678 228049
1992 Paraguay 9022564 5255 1792 201453
1993 Paraguay 10005304 5423 1661 202707
1994 Paraguay 9657841 5593 1857 227939
1995 Paraguay 10799234 5764 1922 253247
1996 Paraguay 10602932 5938 2020 272550
1997 Paraguay 11710661 6118 1989 317510
1998 Paraguay 11845140 6315 2201 314473
1999 Paraguay 12358600 6510 2225 262151
2000 Paraguay 10473173 6616 2178 296432
2001 Paraguay 12463720 6653 2482 330261
2002 Paraguay 13467744 6952 2281 390539
2003 Paraguay 15429292 7838 2744 417945
2004 Paraguay 16361417 8688 3335 538333
2005 Paraguay 15090744 9060 3523 523481
2006 Paraguay 15266868 9336 3881 470605
2007 Paraguay 18428360 10008 3718 469660
2008 Paraguay 18533754 11261 3768 410056
2009 Paraguay 15768421 10962 4075 511656
1990 Uruguay 1370 82599 11659 584
1991 Uruguay 1272 90371 11778 527
1992 Uruguay 1695 85046 11899 588
1993 Uruguay 1367 83599 12021 589
continúa…

14
 Continuación
1994 Uruguay 1863 90198 12144 622
1995 Uruguay 1745 92391 12269 642
1996 Uruguay 2433 91075 12395 756
1997 Uruguay 2162 92786 12523 716
1998 Uruguay 2779 94262 12667 711
1999 Uruguay 1966 97548 12798 557
2000 Uruguay 2226 101006 12651 530
2001 Uruguay 1819 100209 12611 623
2002 Uruguay 2132 99972 12695 705
2003 Uruguay 2875 99175 12876 845
2004 Uruguay 3272 98135 13422 979
2005 Uruguay 3128 97393 13599 841
2006 Uruguay 3658 96651 13744 973
2007 Uruguay 3946 95605 14309 1171
2008 Uruguay 5059 95659 14796 1561
2009 Uruguay 6194 94916 14811 1882

Para la estimación se trabaja con el software , el cual se abre haciendo doble click
en el ícono existente en el escritorio o desde Inicio‐Todos los programas‐Eviews 6‐Eviews6.
Dentro de Eviews, el primer paso es incorporar al software la tabla de datos de existente
en el archivo agrícola.xls. El formato del archivo de Excel que contiene los datos debe
corresponder a la versión 97‐2003; es necesario tomar nota de la celda donde se encuentra el
primer dato (C2), de la cantidad de columnas con variables de interés a importar (6), el tipo de
dato (anual desde 1990), la hoja en la cual está la información (Hoja 1).
En Eviews ir a File‐Open‐Foreign data as Workfile… (Figura 1), se despliega el explorador de
windows para localizar el archivo; luego se debe seleccionar el archivo agrícola.xls y Abrir. Esta
acción despliega la pantalla de lectura de la de Cálculo para convertir desde lenguaje Excel a
lenguaje Eviews (Figura 2). En esta pantalla es posible indicarle la hoja donde se encuentra la
información en el archivo Excel y observar si está leyendo las columnas que es necesario
importar. En la pantalla siguiente hay que aceptar la configuración por defecto que ofrece el
software desde el ícono Finalizar (Figura 3). El resultado es disponer de los datos en el entorno
Eviews (Figura 4); al desplazar hacia abajo la barra del lado derecho de la ventana del grupo de
datos se observa que, a continuación de los datos de Argentina, se encuentran los datos de
Brasil, Paraguay y Uruguay. En la ventana Workfile se encuentran los íconos de cada serie de
datos (las variables de análisis AGRICAP AGRIPRO, AGRITIERRA y AGRITRAB), en el encabezado
de la ventana se informa que el archivo tiene 80 observaciones que corresponden al total de 4
países en 20 años; esto indica que el archivo no tiene formato de panel.

Figura 1

Figura 2

15
 Figura 3

Figura 4

Figura 6
Figura 5

Figura 7 Figura 8

Para dar formato de panel hay que trabajar en la ventana Workfile; ir a Procs‐Structure/Resize
Current Page (Figura 5), se muestra la ventana Workfile structure y al desplegar las alternativas
de Workfile structure type se selecciona Dated Panel (Figura 6); en la nueva pantalla se debe
indicar la frecuencia anual con el primer año de la serie (1990) y las variables que identifican la

16
estructura del panel: Cross section – país y Date series – tiempo (Figura 7). Estas acciones
cambian el encabezado de la ventana Workfile: Range 1990 2009 x 4 – 80 obs (Figura 8). Para
grabar este entorno de trabajo, ir a File‐Save As, seleccionar la carpeta donde guardar el
archivo y dar un nombre. Al grabar, Eviews genera sólo dos archivos con igual nombre y
distinta extensión; el archivo ejecutable es *.wf1.
La tarea de análisis comienza con las representaciones gráficas de las variables del panel
mediante → → (Figura 9) e introduciendo la variable
Log(AGRIPRO) en la pantalla (Figura 10). Al pulsar OK se obtiene la pantalla
(Figura 11); si se elige se obtiene la gráfica de
Log(AGRIPRO) para todas las secciones cruzadas (Figura 12). En la pantalla ,
al elegir (Figura 13) se obtiene un gráfico de la evolución de las medias
de la variable Log(AGRIPRO), en las distintas secciones cruzadas, con una banda de confianza
de 2 í según se ve en la Figura 14.

Figura 9

Figura 10

Figura 11 Figura 12

17
 Figura 13 Figura 14

Para hacer contrastes de igualdad de medias o varianzas de Log(AGRIPRO), con doble click en
AGRIPRO aparece la serie para los distintos países (Figura 15), luego basta seleccionar
→ & → (Figura 16).
En la pantalla se elige la variable cuya igualdad de medias, medianas
o varianzas en las distintas secciones cruzadas del panel se contrasta. En la Figura 17 se ha
elegido contrastar medias y en la Figura 18 se ha elegido contrastar varianzas para
Log(AGRIPRO). Las Figuras 19 y 20 muestran los resultados, observándose que se rechaza la
igualdad de medias y la igualdad de varianzas (p‐valores menores que 0,05). Lo mismo se
puede repetir para todas las variables.

Figura 15 Figura 16

18
 Figura 17 Figura 18

Figura 20

Figura 19

Una vez realizado el análisis gráfico y descriptivo de las variables del panel se procede a su
estimación considerándolo inicialmente como un panel de coeficientes constantes. Para ello
se elige → , se escribe la ecuación del modelo a ajustar en el
campo de la solapa , se elige en el
campo para ajustar por mínimos cuadrados (Figura 21), se rellena la solapa
como se indica en la Figura 22 (sin especificación de efectos ni ponderaciones)
y se hace clic en . Se obtienen los resultados de la Figura 23.
Los resultados del ajuste del panel de la Figura 23 muestran una significatividad individual y
conjunta de los coeficientes estimados muy alta y un coeficiente de determinación muy bueno.
El mayor problema es el estadístico de Durbin Watson, que es muy bajo.

19
 Figura 21 Figura 22

Figura 24
Figura 23

Figura 25
Figura 26

Para probar si hay heteroscedasticiad entre secciones cruzadas, hacer doble click sobre la
variable RESID y elegir → & → (Figura
24). En la pantalla (Figura 25) se elige la variable cuya igualdad de
varianzas en las distintas secciones cruzadas del panel se contrasta RESID. La Figura 26 muestra
los resultados, observándose que se acepta la igualdad de varianzas residual en las distintas

20
secciones cruzadas (p‐valor mayor que 0,05). No existe entonces heteroscedasticidad entre
secciones cruzadas.

El panel de coeficientes constantes estimado es el siguiente:

18,30325 1,786462 ∗ Log 0,777312 ∗ 0,505749
∗

El problema de la autocorrelación puede intentar resolverse con la introducción de una

estructura AR(1) en los residuos, haciendo clic en y rellenado el campo
de la solapa como se indica en la Figura 27. Al hacer
clic en r se obtienen los resultados de la Figura 28 donde se observa un estadístico de
Durbin Watson muy próximo a 2, buena significatividad conjunta de las variables, buen R2,
pero se ha perdido significatividad individual.

Figura 27
Figura 28

El panel de coeficientes constantes estimado sin autocorrelación sería el siguiente:

7,936416 0,052714 ∗ Log 0,507672 ∗ 0,277992
∗ 0,991627 ∗

Ahora se prueba con el modelo general de efectos fijos. Este modelo presenta los residuos

Siendo , variable aleatoria y (efectos de sección cruzada) y (efectos de tiempo)

deterministas.

21
Se estima el panel con efectos fijos de secciones cruzadas (efectos de país) y efectos fijos de
tiempo. Para ello se elige → , se escribe la ecuación del modelo a
ajustar en el campo de la solapa se elige
en el campo para ajustar por mínimos cuadrados (Figura 29), se
rellena la solapa como se indica en la Figura 30 (se especifican efectos fijos de
sección cruzada y de tiempo) y se hace clic en .
Se obtienen los resultados de la Figura 31, donde se ve un estadístico de Durbin Watson
razonable, buena significatividad individual y conjunta y buen .

Figura 29 Figura 30

Figura 32

Figura 31

Si se quiere ver las estimaciones de los efectos fijos, por país y por unidades de tiempo (Figura
32), basta con elegir → / → y en la Figura 33 y Figura 34, se
observan dichos efectos, respectivamente.
Para probar si los efectos fijos de los países y de tiempo pueden o no considerarse iguales se
utiliza el test de máxima verosimilitud para la redundancia de los efectos fijos, se elige
→ / →

22
 Ratio. Se observan p‐valores menores que 0,05 (Figura 35), lo que lleva a afirmar
que los efectos fijos de los países y de tiempo son diferentes con un 95% de confianza.

Figura 33
Figura 34

Figura 35

Según los resultados de las Figuras 29 y 30, la ecuación del modelo de efectos fijos ajustado es
la siguiente:
15,06 0,92 ∗ Log 0,33 ∗ 0,46 ∗
0,65 ∗ 0,92 ∗ 1,69 ∗ 3,26 0,49 ∗ 0,40 ∗ ⋯ ∗ 0,37

( 1 para observaciones del país y vale 0 en caso contrario, de la misma forma

1 para observaciones del año y 0 en caso contrario)
Asimismo este modelo presenta normalidad y homocedasticidad. Para comprobar la
normalidad se utiliza el test de Jarque Bera. Mediante → →
se observa que el p‐valor del contraste de normalidad de

23
 Jarque Bera es superior a 0,05; lo que indica residuos normales con una confianza del 95%.
Para comprobar si los residuos son homocedásticos se procede como en la Figura 21 y 22,
comprobándose que los residuos presentan varianza constante y son homocedásticos.

El modelo general de efectos aleatorios presenta los residuos siendo

todas las componentes variables aleatorias (en efectos fijos , eran deterministas). Pero
habitualmente en efectos aleatorios suele prescindirse de los efectos temporales, teniendo
sólo en cuenta a los que se denomina efectos individuales.

A continuación estime el panel con efectos aleatorios y compruebe que el mejor ajuste de los
datos es el panel de efectos fijos de corte transversal y de tiempo. Además el panel de efectos
aleatorios no es adecuado ya que el test de Hausman,
→ /
, presenta un p‐valor menor que 0,05 lo que lleva a afirmar que la hipótesis de
que los efectos individuales están incorrelacionados con las variables explicativas debe de ser
rechazada. Por lo tanto el modelo de efectos aleatorios no es adecuado.
Se llega a la conclusión de que el mejor ajuste de panel es el que considera efectos fijos de
sección cruzada y de tiempo.

Bibliografía
 Mayorga, M. y Muñoz S., E. (2000) La técnica de datos de panel, una técnica para su uso e interpretación.
Departamento de Investigaciones Económicas. BCCR. [Recuperado de
www.bccr.fi.cr/investigacioneseconomicas/metodoscuantitativos/Tecnica_datos_panel,_una_guia_para_
su_uso_e_interpretacion.pdf, noviembre 2014)
 Perez Lopez, C. (2006). Problemas Resueltos de Econometría. Editorial Thomson Paraninfo.

24

View publication stats